[发明专利]为分类学习变换测量数据

说明书

本公开文本涉及于2005年6月16日提交的、题为“为分类学习变换测量数据(Transforming Measurement Data For Classification Learning)”的美国临时专利申请No.60/691,131，该参考文件转让给本公开文本的受让人。

技术领域

本发明涉及一种系统、设备及方法，用于变换原始测量数据，以减小在不可靠区域中的总灵敏度，同时提高在所希望的区域中的数据的灵敏度。

背景技术

测量数据会具有这样的分布：由于较大或较小的动态范围造成该分布并不是很适合于由特定模式分类学习方法来使用该分布。例如，考虑微阵列，其中载玻片上繁殖有单链DNA。在使样本在这个载玻片上冲洗，以使得在样本中存在的RNA会优先结合到DNA链。这常常相关于控制来进行，到不同类型的荧光分子的结合用于在该控制与目标之间进行区分。随后读取光的颜色和强度，以确定如何以测量数据表示目标，所述测量数据是第一颜色和第二颜色的强度的比率的对数。

在通常的实验中，将一类微阵列数据的读数编码为测试组织和控制组织中的基因表达级别的比率的对数。结果产生的数量的数值范围可以非常大，但通常会处于一个狭窄得多的范围中(比方说+2到-2)。

普遍的模式识别学习方法是多层感知器(MLP)，也称为前馈神经网络。这些机器要求其输入数据是在范围[0，1]中的数值。因此为了将这些微阵列数据提供给MLP，必须变换原始数据，以符合该输入数据范围要求。

可以执行该预期变换的函数是S形函数(sigmoid function)，如反正切(arctan)函数。这些函数可以确保非常大或非常小的测量值总是会映射到所要求的范围[0，1]内，但其代价是极大地减小了大数值之间的差值。让我们称之为大数值范围中的“减小的灵敏度”。人们常常会为S形函数选择适合的参数，以便在通常预期的范围中的灵敏度几乎是线性的。如果在几乎线性的范围上的斜率>45度，就会提高灵敏度，如果<45度，则灵敏度就会减小，如果正好是45度，就会保持不变。

然而仍会出现困难。在以上实例中，所变换的数据的灵敏度在0附近会是最大的(即变换S形函数会具有最大导数)。这是测量值的比值接近1.0的区域，在这里其可靠性不幸是最低的。会希望使得该变换的灵敏度在此很低，以使得学习机在小差值不可靠的情况下不会使用小差值。

发明内容

本发明的系统、设备及方法提供了有效果及高效的方式，来变换原始数据，以便减小总体变换在不可靠区域中的灵敏度，同时在其它区域中保持很大程度上保持灵敏度不改变或增强。

本发明通过提供额外的高斯变换来至少克服上述的问题，该高斯变换包括允许将该变换的宽度调整为使用该变换的应用所希望的宽度的参数。此外，本发明有利地解决了围绕当前分子诊断技术的有效性和效率的各种难题。就是说，本发明会有利于改进的疾病检测(例如，相对于时间和准确性两者)、疾病治疗(例如，明确的和人格化的)、以及疾病监测(例如快速且灵敏的)。因此，本发明很适于解决对于实时的、更快速的、更灵敏的、劳动强度更低、以及由此而更节省成本的分子诊断解决方案的持续需求，其适合于代替传统技术或作为其补充。

附图说明

由随后的详细说明，尤其是与附图一起回顾时，与本发明有关的额外益处(例如处理和/或有效管理大量数据的能力)会是显而易见的，参考该附图来帮助本公开内容的主题所属领域的普通技术人员更好的理解本公开内容的示范性实例，其中：

图1根据本发明在改变变换的高斯部分的宽度的同时，将样本数据变换到范围[0，1]；

图2仅示出了图1变换的中间平坦区；

图3示出了根据本发明改变组合变换的S形变换分量的上限；

图4示出了通过将其尾部推近在一起或远离开来改变S曲线的斜率；

图5示出了根据本发明更改的分析设备；以及

图6示出了包括根据本发明的设备的神经网络分析系统。

具体实施方式

本领域普通技术人员会明白为了说明而不是限制目的而提供以下的说明。技术人员明白在本发明的精神和所附权利要求的范围之内存在许多变化。从当前说明省略了已知功能和操作的不必要的细节，以便不模糊对本发明的理解。